【PyTorch根本】PyTorch还支持线性代数运算？PyTorch的内置线性代数运算示例

目次
引言
1. trace - 对角线元素之和（矩阵的迹）
2. diag - 提取对角线元素 
3. triu / tril - 上三角/下三角矩阵
4. mm / bmm - 矩阵乘法 / 批量矩阵乘法
5. addmm / addbmm / addmv / addr / baddbmm - 矩阵运算
6. t - 转置矩阵
7. dot / cross - 内积 / 外积
8. inverse - 求逆矩阵
9. svd - 奇异值分解
结语

---

引言

PyTorch 作为一个强大的深度学习框架，提供了丰富的线性代数功能，使得开发者能够高效地举行各种矩阵运算。通过利用 PyTorch 中的相关库，我们可以避免重复“造轮子”，从而专注于实现更高层次的算法和模子。本文将先容几个常用的 PyTorch 中的线性代数功能，资助您更轻松地举行矩阵利用，从而提拔您的开发效率。
   

​
  另外，若有进一步研究需求，可以参考官方文档。

1. trace - 对角线元素之和（矩阵的迹）

  

1. # 1. trace - 对角线元素之和（矩阵的迹）
2. import torch
4. # 创建一个 3x3 矩阵
5. tensor = torch.tensor([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
6. # 计算矩阵的迹
7. trace_value = torch.trace(tensor)
8. print(f"矩阵的迹: {trace_value}")

复制代码

​ 
2. diag - 提取对角线元素 

  

1. # 2. diag - 提取对角线元素
2. # 提取对角线元素
3. diagonal_elements = torch.diag(tensor)
4. print(f"对角线元素: {diagonal_elements}")

复制代码

​ 
3. triu / tril - 上三角/下三角矩阵

  

1. # 3. triu / tril - 上三角/下三角矩阵
2. # 创建一个 3x3 矩阵
3. tensor = torch.tensor([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
4. # 获取上三角矩阵
5. upper_triangle = torch.triu(tensor)
6. print(f"上三角矩阵:\n{upper_triangle}")
8. # 获取下三角矩阵
9. lower_triangle = torch.tril(tensor)
10. print(f"下三角矩阵:\n{lower_triangle}")

复制代码

 

​
4. mm / bmm - 矩阵乘法 / 批量矩阵乘法

  

1. # 4. mm / bmm - 矩阵乘法 / 批量矩阵乘法
2. # 创建两个 3x3 矩阵
3. A = torch.tensor([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
4. B = torch.tensor([[9., 8., 7.], [6., 5., 4.], [3., 2., 1.]])
5. # 矩阵乘法
6. result_mm = torch.mm(A, B)
7. print(f"矩阵乘法结果:\n{result_mm}")
9. # 批量矩阵乘法 (batch matrix multiplication)
10. batch_A = torch.rand(10, 3, 3)  # 10 个 3x3 矩阵
11. batch_B = torch.rand(10, 3, 3)
12. result_bmm = torch.bmm(batch_A, batch_B)
13. print(f"批量矩阵乘法结果:\n{result_bmm[0]}")  # 显示第一个批次的结果

复制代码

​ 
5. addmm / addbmm / addmv / addr / baddbmm - 矩阵运算

  

1. # 5. addmm / addbmm / addmv / addr / baddbmm - 矩阵运算
2. # 使用 addmm 函数，矩阵加法加乘法
3. C = torch.tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])
4. result_addmm = torch.addmm(C, A, B)
5. print(f"addmm 矩阵加法加乘法结果:\n{result_addmm}")
7. # 使用 addbmm 批量矩阵运算
8. # 创建批量矩阵
9. batch_A = torch.rand(10, 3, 4)  # 10 个 3x4 矩阵
10. batch_B = torch.rand(10, 4, 3)  # 10 个 4x3 矩阵
11. batch_C = torch.rand(3, 3)
13. # 使用 addbmm 进行批量矩阵运算 C = A @ B + C
14. result_addbmm = torch.addbmm(batch_C, batch_A, batch_B)
15. print(f"addbmm 批量矩阵运算结果:\n{result_addbmm[0]}")  # 显示第一个批次的结果

复制代码

​ 
6. t - 转置矩阵

  

1. # 6. t - 转置矩阵
2. # 创建一个 2x3 矩阵
3. tensor = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
4. # 转置矩阵
5. transposed_tensor = tensor.t()
6. print(f"转置后的矩阵:\n{transposed_tensor}")

复制代码

​ 
7. dot / cross - 内积 / 外积

  

1. # 7. dot / cross - 内积 / 外积
2. # 创建两个向量
3. vector1 = torch.tensor([1., 2., 3.])
4. vector2 = torch.tensor([4., 5., 6.])
6. # 计算内积
7. dot_product = torch.dot(vector1, vector2)
8. print(f"内积: {dot_product}")
10. # 计算外积
11. cross_product = torch.cross(vector1, vector2)
12. print(f"外积: {cross_product}")

复制代码

​ 
8. inverse - 求逆矩阵

  

1. # 8. inverse - 求逆矩阵
2. # 创建一个 2x2 矩阵
3. matrix = torch.tensor([[4., 7.], [2., 6.]])
4. # 求矩阵的逆
5. inverse_matrix = torch.inverse(matrix)
6. print(f"矩阵的逆:\n{inverse_matrix}")

复制代码

 

​
9. svd - 奇异值分解

  

1. # 9. svd - 奇异值分解
2. # 创建一个 3x3 矩阵
3. matrix = torch.tensor([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
4. # 进行奇异值分解
5. U, S, V = torch.svd(matrix)
6. print(f"U 矩阵:\n{U}")
7. print(f"S 奇异值:\n{S}")
8. print(f"V 矩阵:\n{V}")

复制代码

 

​

---

结语

在这篇博客中，我们探究了如何利用 PyTorch 中的线性代数功能来简化矩阵利用。通过利用这些内置的高效函数，不仅可以节流时间和精力，还能减少埋伏的错误，提拔代码的可读性和可维护性。盼望大家在利用 PyTorch 举行矩阵运算时，能够充分利用这些强大的工具，而不再须要自己重复实现根本功能。